混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目； 每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。 每一列中的数值表示真实数据被预测为该类的数目：如下图， 第一行第一列中的43表示有43个实际归属第一类的实例被预测为第一类， 同理，第二行第一列的2表示有2个实际归属为第二类的实例被错误预测为第一类。
如有150个样本数据，这些数据分成3类，每类50个。
分类结束后得到的混淆矩阵为：
每一行之和为50，表示50个样本， 第一行说明类1的50个样本有43个分类正确，5个错分为类2，2个错分为类3
有时，我们可能希望得到分类器算法的更详细的性能。 能够详细揭示性能的一种可视化方法是引入一个称为混淆矩阵（confusion matrix）的表格。 混淆矩阵的行代表测试样本的真实类别，而列代表分类器所预测出的类别。
它之所以名为混淆矩阵，是因为很容易通过这个矩阵看清楚算法产生混淆的地方。
下面以女运动员分类为例来展示这个矩阵。
假设我们有一个由100名女子体操运动员、100名WNBA篮球运动员及100名女子马拉松运动员的属性构成的数据集。
我们利用10折交叉验证法对分类器进行评估。在10折交叉测试中，每个实例正好只被测试过一次。
上述测试的结果可能如下面的混淆矩阵所示：
| 体操运动员 | 篮球运动员 | 马拉松运动员 |
|---|---|---|
| 体操运动员 | 83 | 0 |
| 篮球运动员 | 0 | 92 |
| 马拉松运动员 | 9 | 16 |
同前面一样，每一行代表实例实际属于的类别，每一列代表的是分类器预测的类别。
因此，上述表格表明，有83个体操运动员被正确分类，但是却有17个被错分为马拉松运动员。
92个篮球运动员被正确分类，但是却有8个被错分为马拉松运动员。
85名马拉松运动员被正确分类，但是却有8个人被错分为体操运动员，还有16个人被错分为篮球运动员。
混淆矩阵的对角线给出了正确分类的实例数目。
| 体操运动员 | 篮球运动员 | 马拉松运动员 | |
|---|---|---|---|
| 体操运动员 | 83 | 0 | 17 |
| 篮球运动员 | 0 | 92 | 8 |
| 马拉松运动员 | 9 | 16 | 85 |
上述表格中，算法的精确率为：
通过观察上述矩阵很容易了解分类器的错误类型。
在本例当中，分类器在区分体操运动员和篮球运动员上表现得相当不错，而有时体操运动员和篮球运动员却会被误判为马拉松运动员，
马拉松运动员有时被误判为体操运动员或篮球运动员。